协整检验与向量误差修正模型,时间序列ARIMA分析
误差修正模型实例(精)
一、误差修正模型的构造 对于yt的(1，1阶自回归分布滞后模型： 在模型两端同时减yt-1，在模型右端，得： 其中，，，。 记（5-5） 则（5-6） 称模型（5-6）为“误差修正模型”，简称ECM。 二、误差修正模型的含义 如果yt ~ I(1，x t ~ I(1，则模型（5-6）左端，右端，所以只有当yt和x t协整、即yt和x t之间存在长期均衡关系时，式（5-5）中的ecm~I(0，模型（5-6）两端的平稳性才会相同。 当yt和x t协整时，设协整回归方程为：
它反映了yt与x t的长期均衡关系，所以称式（5-5）中的ecm t-1是前一期的“非均衡误差”，称误差修正模型（5-6） 中的是误差修正项，是 修正系数，由于通常 ，这样；当ecm t-1 >0时（即出现正误差），误差修正项< 0，而ecm t-1 < 0时（即出现负误差）， > 0，两者的方向恰好相反，所以，误差修正是一个反向 调整过程（负反馈机制）。 误差修正模型有以下几个明确的含义： 1．均衡的偏差调整机制 2．协整与长期均衡的关系 3．经济变量的长期与短期变化模型 长期趋势模型： 短期波动模型： 三、误差修正模型的估计 建立ECM的具体步骤为： 1．检验被解释变量y与解释变量x（可以是多个变量）之间的协整性； 2．如果y与x存在协整关系，估计协整回归方程，计算残差序列e t：
3．将e t-1作为一个解释变量，估计误差修正模型： 说明： （1）第1步协整检验中，如果残差是确定趋势过程，可以在第2步的协整回归方程中加入趋势变量； （2）第2步可以估计动态自回归分布滞后模型： 此时，长期参数为： 协整回归方程和残差也相应取成： ， （3）第2步估计出ECM之后，可以检验模型的残差是否存在长期趋势和自相关性。如果存在长期趋势，则在ECM中加入趋势变量。如果存在自相关性，则在ECM的右端加入 误差修正项的滞后期一般也要作相应 调整。 如取成以下形式：
R语言 向量自回归和向量误差修正模型包帮助文档
Package‘vars’ August29,2013 Type Package Title V AR Modelling Version1.5-2 Date2013-07-22 Depends R(>=2.0.0),MASS,strucchange,urca(>=1.1-6),lmtest(>=0.9-26),sandwich(>=2.2-4) LazyLoad yes Description Estimation,lag selection,diagnostic testing,forecasting,causality analysis,forecast er-ror variance decomposition and impulse response functions of V AR models and estima- tion of SV AR and SVEC models. License GPL(>=2) URL http://www.pfaffikus.de Author Bernhard Pfaff[aut,cre],Matthieu Stigler[ctb] Maintainer Bernhard Pfaff
误差修正模型
第二节 误差修正模型（Error Correction Model ，ECM ） 一、误差修正模型的构造 对于y t 的(1，1)阶自回归分布滞后模型： t t t t t y x x y εβββα++++=--12110 在模型两端同时减y t-1，在模型右端10-±t x β，得： t t t t t t t t t t t t t x y x x y x y x x y εααγβεββββαββεββββα+--+?=+---+--+?=+-+++?+=?------)(]) 1()1()[1()1()(1101012120120121100 其中，12-=βγ，)1/()(200ββαα-+=，)1/(211ββα-=。 记 11011-----=t t t x y ecm αα （5-5） 则 t t t t ecm x y εγβ++?=?-10 （5-6） 称模型（5-6）为“误差修正模型”，简称ECM 。 二、误差修正模型的含义 如果y t ~ I(1)，x t ~ I(1)，则模型（5-6）左端)0(~I y t ?，右端)0(~I x t ?，所以只有当y t 和x t 协整、即y t 和x t 之间存在长期均衡关系时，式（5-5）中的ecm~I(0)，模型（5-6）两端的平稳性才会相同。 当y t 和x t 协整时，设协整回归方程为： t t t x y εαα++=10 它反映了y t 与x t 的长期均衡关系，所以称式（5-5）中的ecm t -1
是前一期的“非均衡误差”，称误差修正模型（5-6）中的1-t ecm γ是误差修正项，12-=βγ是修正系数，由于通常1||2<β，这样 0<γ； 当ecm t -1 >0时（即出现正误差），误差修正项1-t ecm γ< 0，而ecm t -1 < 0时（即出现负误差），1-t ecm γ> 0，两者的方向恰 好相反，所以，误差修正是一个反向调整过程（负反馈机制）。 误差修正模型有以下几个明确的含义： 1．均衡的偏差调整机制 2．协整与长期均衡的关系 3．经济变量的长期与短期变化模型 长期趋势模型： t t t x y εαα++=10 短期波动模型： t t t t ecm x y εγβ++?=?-10 三、误差修正模型的估计 建立ECM 的具体步骤为： 1．检验被解释变量y 与解释变量x （可以是多个变量）之间的协整性； 2．如果y 与x 存在协整关系，估计协整回归方程，计算残差序列e t ： t t t x y εβα++=0 t t t x y e 0??βα--= 3．将e t-1作为一个解释变量，估计误差修正模型： t t t t v e x y ++?=?-10γβ 说明： （1）第1步协整检验中，如果残差是确定趋势过程，可以在第2步的协整回归方程中加入趋势变量； （2）第2步可以估计动态自回归分布滞后模型： t i t i i t i t y x y εβαα∑∑+++=-- 此时，长期参数为： ∑∑-=)1(i i βαθ 协整回归方程和残差也相应取成：
协整检验及误差修正模型实验指导
实验八 协整检验及误差修正模型实验指导 一、实验目的 理解经济时间序列之间的理论关系，并学会用统计方法验证他们之间的关系。学会验证时间序列存在的不平稳性，掌握ADF 检验平稳性的方法。认识不平稳的序列容易导致虚假回归问题，掌握为解决虚假回归问题引出的协整检验，协整的概念和具体的协整检验过程。协整描述了变量之间的长期关系，为了进一步研究变量之间的短期均衡是否存在，掌握误差纠正模型方法。 二、基本概念 设随机向量t X 中所含分量均为d 阶单整，记为t X I(d ):。如果存在一个非零向量β，使得随机向量()~t t Y X I d b =-β，0b >，则称随机向量t X 具有d ,b 阶协整关系，记为t X CI(d ,b ):，向量β被称为协整向量。特别地，t y 和t x 为随机变量，并且t y ，~(1)t x I ，当01()~I(0)t t t y x εββ=-+，即t y 和t x 的线性组合与I(0)变量有相同的统计性质，则称t y 和t x 是协整的，()01,ββ称为协整系数。更一般地，如果一些I(1)变量的线性组合是I(0)，那么我们就称这些变量是协整的。 三、实验内容及要求 1、实验内容 用Eviews5.1来分析1978年到2002年中国农村居民对数生活费支出序列{ln }t y 和对数人均纯收入{ln t x }序列之间的关系。内容包括： （1）对两个对数序列分别进行ADF 平稳性检验； （2）进行二者之间的协整关系检验； （3）若存在协整关系，建立误差纠正模型ECM 。 2、实验要求 （1）在认真理解本章内容的基础上，通过实验掌握ADF 检验平稳性的方法； （2）掌握具体的协整检验过程，以及误差纠正模型的建立方法； （3）能对宏观经济变量间的长期均衡关系进行分析。 四、实验指导 1、对两个数据序列分别进行平稳性检验： （1）做时序图看二者的平稳性 首先按前面介绍的方法导入数据，在workfile 中按住ctrl 选择要检验的二变量，击右键，选择open —as group ，此时他们可以作为一个数据组被打开。 点击“View ”―“graph ”—“line ”，对两个序列做时序图见图8-1，两个序列都呈上升趋势，显然不平稳，但二者有大致相同的增长和变化趋势，说明二者可能存在协整关系。但若要证实二者有协整关系，必须先看二者的单整阶数，如果都是一阶单整，则可能存在协整关系，若单整地阶数不相同，则需采取差分的方式，将他们变成一阶单整序列。 图8-1 ln t x 和ln t y 时序图
第5章 动态回归与误差修正模型(案例)汇总
例：（file: break2）东北、华北、华东、华中21省市1993和1998年耕地面积（land ,百万公顷）和农业产值（Y , 百亿元）数据见图（已取对数）。用圆圈表示的观测点为1993年数据，用三角表示的观测点为1998年数据。大体看各省市1998年耕地面积比1993年耕地面积略有减少，产值却都有增加。以1993和1998年数据为两个子样本，以42个数据为总样本，求得残差平方和见下表 -10 12 3 -2 -1 1 2 3 LOG(LAND) LOG(Y93)LOG(Y98) -10 1 2 3 -2 -1 1 2 3 LOG(LAND) LOG(Y93)LOG(Y98) 样本容量 残差平方和 相应自由度 回归系数 1 T = 42 SSE T = 14.26 T - k = 40 2 n 1= 21 SSE 1 = 4.37 n 1 - k = 19 α1 3 n 2= 21 SSE 2 = 3.76 n 2 - k = 19 β1 注：三次回归的模型形式Lnout t = β0 +β1 Lnland t + u t 。 因为， F = ) 2/()(/)]([2121k T SSE SSE k SSE SSE SSE T -++-= 38 /)76.337.4(2 /)]76.337.4(26.14[++-= 14.33 > F (1, 40) = 7.31
所以两个年度21省市的农业生产发生了很大变化。
案例1：开滦煤矿利润影响因素的实证分析（1903-1940，动态分布滞后模型，file:LH1） （发表在《学术论坛》，2003.1, p. 88-90） 1000 2000300040005000600005 10 15 20 25 30 35 40 销煤量 x1 图 1 开滦煤矿销煤量变化曲线（x 1, 1903-1940） 2 4681012141605 10 15 20 25 30 35 40 吨煤售价 X2 图2 开滦煤矿吨煤售价变化曲线（x 2, 1903-1940）
VAR模型与向量VECM模型
第7章 向量自回归模型（VAR ）与向量误差修正模型（VEC ） § 向量自回归模型（VAR(p)） 传统的经济计量学联立方程模型建摸方法, 是以经济理论为基础来描述经济变量之间的结构关系，采 用的是结构方法来建立模型，所建立的就是联立方程结构式模型。这种模型其优点是具有明显的经济理论含义。但是，从计量经济学建摸理论而言，也存在许多弊端而受到质疑。 一是在模型建立之处，首先需要明确哪些是内生变量，哪些是外生变量，尽管可以根据研究问题和目的来确定，但有时也并不容易； 二是所设定的模型，每一结构方程都含有内生多个内生变量，当将某一内生变量作为被解释变量出现在方程左边时，右边将会含有多个其余内生变量，由于它们与扰动项相关， 从而使模型参数估计变得十分复杂，在未估计前，就需要讨论识别性； 三是结构式模型不能很好地反映出变量间的动态联系。 为了解决这一问题，经过一些现代计量经济学家门的研究，就给出了一种非结构性建立经济变量之间关系模型的方法，这就是所谓向量自回归模型（Vector Autoregression Model ）。VAR 模型最早是1980年，由引入到计量经济学中，它实质上是多元AR 模型在经济计量学中的应用， VAR 模型不是以经济理论为基础描述经济变量之间的结构关系来建立模型的，它是以数据统计性质为基础，把某一经济系统中的每一变量作为所有变量的滞后变量的函数来构造模型的。它是一种处理具有相关关系的多变量的分析和预测、随机扰动对系统的动态冲击的最方便的方法。而且在一定条件下，多元MA 模型、ARMA 模型，也可化为VAR 模型来处理，这为研究具有相关关系的多变量的分析和预测带来很大方便。 7.1.1 VAR 模型的一般形式 1、非限制性VAR 模型（高斯VAR 模型）,或简化式非限制性VAR 模型 设12(...)t t t kt y y y y '=为一k 维随机时间序列，p 为滞后阶数，12(...)t t t kt u u u u '=为一k 维随机扰动的时间序列，且有结构关系 (1)(1)(1)(2)(2)(2)111111221111112122212()()()11112211(1)(1)(1)(2)(2)2211122212121122222......... .......t t t k kt t t k kt p p p t p t p k kt p t t t t k kt t t y a y a y a y a y a y a y a y a y a y u y a y a y a y a y a y --------------=+++++++++++++=++++++(2) 22()()()21212222(1)(1)111..... ........................................................................................................................k kt p p p t p t p k kt p t kt k t k a y a y a y a y u y a y a -----+++++++=+(1)(2)(2)(2) 2211112122212()()() 1122............t kk kt k t t k kt p p p k t p k t p kk kt p kt y a y a y a y a y a y a y a y u --------?? ? ???? ??+++++++??+++++?? 1,2,...,t T = （7．1．1） 若引入矩阵符号，记
ECM误差修正模型
协整与误差修正模型 在处理时间序列数据时，我们还得考虑序列的平稳性。如果一个时间序列的均值或自协方差函数随时间而改变，那么该序列就是非平稳的。对于非平稳的数据，采用传统的估计方法，可能会导致错误的推断，即伪回归。若非平稳序列经过一阶差分变为平稳序列，那么该序列就为一阶单整序列。对一组非平稳但具有同阶的序列而言，若它们的线性组合为平稳序列，则称该组合序列具有协整关系。对具有协整关系的序列，我们算出误差修正项，并将误差修正项的滞后一期看做一个解释变量，连同其他反映短期波动关系的变量一起。建立误差修正模型。 建立误差修正模型的步骤如下：首先，对单个序列进行单根检验，进行单根检验有两种：ADF （Augument Dickey-Fuller ）和DF(Dickey-Fuller)检验法。若序列都是同阶单整，我们就可以对其进行协整分析。在此我们只介绍单个方程的检验方法。对于多向量的检验参见Johensen 协整检验。我们可以先求出误差项，再建立误差修正模型，也可以先求出向量误差修正模型，然后算出误差修正项。补充一点的是，误差修正模型反映的是变量短期的相互关系，而误差修正项反映出变量长期的关系。下面我们给出案例分析。 案例分析 在此，我们考虑从1978年到2002年城镇居民的人均可支配收入income 与人均消费水平consume 的关系，数据来自于《中国统计年鉴》，如表8.1所示。根据相对收入假设理论，在一定时期，人们的当期的消费水平不仅与当期的可支配收入、而且受前期的消费水平的影响，具有一定的消费惯性，这就是消费的棘轮效应。从这个理论出发，我们可以建立如下（8.1）式的模型。同时根据生命周期假设理论，消费者的消费不仅与当期收入有关，同时也受过去各项的收入以及对将来预期收入的限制和影响。从我们下面的数据分析中，我们可以把相对收入假设理论与生命周期假设理论联系起来，推出如下的结果：当期的消费水平不仅与当期的可支配收入有关，而且还与前期的可支配收入、前两期的消费水平有关。在此先对人均可支配收入和人均消费水平取对数，同时给出如下的模型 t t t lincome lconsume lconsume 2110?+?+?=- t=1,2,…,n （8.1） 如果当期的人均消费水平与当期的人均可支配收入及前期的人均消费水平均为一阶单整序列，而它们的线性组合为平稳序列，那么我们可以求出误差修正序列，并建立误差修正模型，如下： t ecm lconsume lincome lconsume t t t t 4131210βββββ++?+?+=?-- t=1,2,…,n (8.2) t ecm = 12110--?-?-?-t t t lincome lconsume lconsume t=1,2,…,n (8.3) 从（8.2）式我们可以推出如下的方程： t lincome lincome lconsume lconsume lconsume t t t t t 4030123222131131)()()1(ββββββββββ+?-+?--+?--++=---（8.4） 在（8.2）中lconsume ?、 lincome ?分别为变量对数滞后一期的值，)1(-ecm 为误差修正项，如（8.3）式所示。（8.2）式为含有常数项和趋势项的形式，我们省略了只含趋
基于向量误差修正模型的两区制门限协整检验
基于向量误差修正模型的两区制门限协整检验 摘要 这篇论文检验了一个具有单协整向量的两区制向量误差修正模型以及误差修正中的门限效应。我们采用了一个相关的单一算法，能够给出二元情况下完全门限协整模型的最大似然估计。我们对门限采用SupLM方法进行检验。我们派生出一个空渐近分布，演示模拟临界值的方式，以及给出一个bootstrap近似。我们研究了使用蒙特卡洛模拟的检验的有效性，发现这种检验方式十分有效。通过使用这样的方法对利率期限结构模型的研究，我们发现，存在着非常强的门限效应。 I．引言 门限协整是由Balke和Fomby（1997）提出的用于研究非线性协整关系的可行的工具。特别值得注意的是，这个模型允许长期均衡的非线性调整。这个模型被广泛应用：Balke and Wohar（1998）、Lo and Zivot（2001）、Martens et al （1998）、Michael et al（1997）、O’Connell（1998）、O’Connell and Wei（1997）、Obstfeld and Taylor（1997）以及Taylor（2001）、Lo and Zivot（2001）对这些方法展开了广泛的回顾。 这一系列模型最重要的统计问题在于检验门限效应的存在性（空的线性？）。Balke和Fomby（1997）建议采用Hansen（1996）和Tsay（1989）用来检验误差修正（协整残差）的单因素检验方法。众所周知，在协整向量已知的情况下这种检验方法是有效的，但是Balke-Fomby并没有对将此方法用于估计的协整向量的情况的检验做出理论上的说明。Lo和Zivot（2001）将Balke和Fomby的方法扩展到了具有已知协整向量的多元门限协整模型，采用了Tsay（1998）以及Hansen（1996）对多元扩展模型的检验方法。 在本文中，我们将把这些方法扩展到检验未知协整向量的情况中。正如Balk-Fomby所研究的，我们的模型是一个具有单协整向量以及误差修正中存在门限效应的向量误差修正模型（VECM）。然而，与Balke-Fomby只关注于单变量估计以及检验方法不同，我们的估计与检验将关注于完全多变量门限模型。事实上，将误差修正作为门限变量并不是本文分析的必要条件，我们这里所讨论的方法能够非常简单的合并到其他模型中，只要这些模型中的门限变量是前定变量的固定的变形形式。 本文有两点贡献。第一，我们提出了一个采用最大似然估计方法估计门限模型的方法。这种算法包含了一个搜索门限以及协整向量的联合网络结构。这个算法在二元情况下非常容易实现，但是在更高纬度的情况下却可能非常困难。此外，正因为如此，我们无法提供对于一致性以及最大似然估计分布理论上的证明。 第二，我们发展出一个检验门限效应的方法。原假设不存在门限效应，所以模型简化为一个常规的线性VECM。在此原假设下的估计非常容易，简化为一个常规的降秩回归。这就表明其检验可以基于拉格朗日乘子（LM）准侧，只要求在原假设下进行估计。由于门限参数并非在原假设下决定，我们在SupLM检验的基础上进行扩展推论（参照Davies（1987）、Andrews（1993）以及Andrews and Ploberger（1994）对这种检验思路的动机以及理由）。我们的检验采用了与Seo（1998）为了检验误差修正模型中结构变异所派生出来的方法所具有的相似的代数形式。 我们派生出SupLM检验的渐近原分布，发现它与Hansen（1996）用来平
stata-误差修正模型讲解
误差修正模型： 如果用两个变量，人均消费y 和人均收入x （从格林的数据获得）来研究误差修正模型。 令z=（y x ）’，则模型为： t t k i i t t z p z A z επ+?++=?-=-∑11 10 其中，'αβπ= 如果令1=k ，即滞后项为1，则模型为 t t t t z p z A z επ+?++=?--1110 实际上为两个方程的估计： t t t t t y t x p y p x b y b a y 1112111112111ε+?+?+++=?---- t t t t t x t x p y p x b y b a x 2122121122121ε+?+?+++=?---- 用ols 命令做出的结果： gen t=_n tsset t time variable: t, 1 to 204 gen ly=L.y (1 missing value generated) gen lx=L.x (1 missing value generated) reg D.y ly lx D.ly D.lx Source | SS df MS Number of obs = 202 -------------+------------------------------ F( 4, 197) = 21.07 Model | 37251.2525 4 9312.81313 Prob > F = 0.0000 Residual | 87073.3154 197 441.996525 R-squared = 0.2996 -------------+------------------------------ Adj R-squared = 0.2854 Total | 124324.568 201 618.530189 Root MSE = 21.024 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- ly | .0417242 .0187553 2.22 0.027 .0047371 .0787112 lx | -.0318574 .0171217 -1.86 0.064 -.0656228 .001908 ly | D1. | .1093189 .082368 1.33 0.186 -.0531173 .2717552 lx | D1. | .0792758 .0566966 1.40 0.164 -.0325344 .1910861 _cons | 2.533504 3.757158 0.67 0.501 -4.875909 9.942916 这是t t t t t y t x p y p x b y b a y 1112111112111ε+?+?+++=?----的回归结果，其中y a =2.5335，
误差修正模型案例
大型作业报告 课程名称计量经济学 课程代码142102601 题目误差修正模型 专业经济学 班级2010271 成员陈晓燕
上海电力学院经济与管理学院
计量经济学大型作业评分表 备注： 课程设计报告的质量70%，分4个等级： 1、按要求格式书写，计算正确，方案合理，内容完整，绘图规范整洁，符合任务书的要求35－40 2、按要求格式书写，计算较正确，有少量错误，方案较合理，内容完整，绘图较规范整洁，基本符合任务书的要求26－34 3、基本按要求格式书写，计算较正确，有部分错误，方案较合理，内容基本完整，绘图不规范整洁，基本符合任务书的要求15－25 4、基本按要求格式书写，计算错误较多，方案不合理，内容不完整，绘图不规范整洁，不符合任务书的要求0－14 工作态度30%，分4个等级： 1、很好，积极参与，答疑及出勤情况很好16－20 2、良好，比较能积极参与，答疑情况良好但有少量缺勤记录，或答疑情况
一般但出勤情况良好11－15 3、一般，积极性不是很高，基本没有答疑记录，出勤情况较差6－10 4、欠佳，不认真投入，且缺勤很多，也没有任何答疑记录0－5 实验报告 一、实验目的与要求 1、掌握时间序列的ADF平稳性检验； 2、掌握双变量的Engel-Granger检验； 3、掌握双变量的误差修正模型； 4、熟练使用Eviews软件建立误差修正模型。 二、实验内容 依据1978-2010年我国人均消费和人均GDP的数据，完成以下内容。 1、对实验数据进行单位根检验； 2、利用E-G两步法对实验数据进行协整检验； 3、根据实验数据的关系，建立误差修正模型，估计并进行解释。 三、实验步骤 （1）收集数据
向量自回归模型(VAR)与向量误差修正模型(vec)
向量自回归模型（VAR ）与 向量误差修正模型（VEC ） §7.1 向量自回归模型（VAR(p)） 传统的经济计量学联立方程模型建摸方法, 是以经济理论为基础来描述经济变量之间的结构关系，采 用的是结构方法来建立模型，所建立的就是联立方程结构式模型。这种模型其优点是具有明显的经济理论含义。但是，从计量经济学建摸理论而言，也存在许多弊端而受到质疑。 一是在模型建立之处，首先需要明确哪些是内生变量，哪些是外生变量，尽管可以根据研究问题和目的来确定，但有时也并不容易； 二是所设定的模型，每一结构方程都含有内生多个内生变量，当将某一内生变量作为被解释变量出现在方程左边时，右边将会含有多个其余内生变量，由于它们与扰动项相关， 从而使模型参数估计变得十分复杂，在未估计前，就需要讨论识别性； 三是结构式模型不能很好地反映出变量间的动态联系。 为了解决这一问题，经过一些现代计量经济学家门的研究，就给出了一种非结构性建立经济变量之间关系模型的方法，这就是所谓向量自回归模型（Vector Autoregression Model ）。VAR 模型最早是1980年，由C.A.Sims 引入到计量经济学中，它实质上是多元AR 模型在经济计量学中的应用， VAR 模型不是以经济理论为基础描述经济变量之间的结构关系来建立模型的，它是以数据统计性质为基础，把某一经济系统中的每一变量作为所有变量的滞后变量的函数来构造模型的。它是一种处理具有相关关系的多变量的分析和预测、随机扰动对系统的动态冲击的最方便的方法。而且在一定条件下，多元MA 模型、ARMA 模型，也可化为VAR 模型来处理，这为研究具有相关关系的多变量的分析和预测带来很大方便。 7.1.1 VAR 模型的一般形式 1、非限制性VAR 模型（高斯VAR 模型）,或简化式非限制性VAR 模型 设12(...)t t t kt y y y y '=为一k 维随机时间序列，p 为滞后阶数，12(...)t t t kt u u u u '=为一k 维随机扰动的时间序列，且有结构关系
我国生猪产业链价格传递的非对称性_省略__基于门限误差修正模型的实证分析_王晶晶
我国生猪产业链价格传递的非对称性研究 ———基于门限误差修正模型的实证分析王晶晶（中国农业大学经济管理学院北京100083）钱小平（日本国际农林水产业中心筑波305－8686）陈永福 （中国农业大学经济管理学院 北京100083） 内容提要 本文基于2000年1月—2011年6月我国生猪外销区、自给自足区和调入区 的月度价格数据，在运用协整模型分析生猪产业链价格间长期均衡关系的基础上，利用非线性门限误差修正模型对我国生猪产业链上下游间价格传递的非对称性进行了实证分析。结果表明：生猪和猪肉价格存在长期均衡关系，外销区生猪产业链价格间存在短期门限调整关系，且与四川、湖南和河南省生猪产业链的短期价格传递过程存在负非对称性相比，吉林省则存在正非对称性，而自给自足区和调入区则存在短期线性调整关系。因此，在制定生猪产业价格调控政策和产业政策时应充分考虑外销区生猪产业链价格传递的非对称性特征。 关键词 价格传递 非对称性 门限误差修正模型 生猪产业链 一、引 言 我国生猪产业链上下游的价格波动，不仅显著影响着居民的生活水平，而且不利于生猪产业的稳 定发展（刘春芳等， 2011）。我国生猪和猪肉价格波动日益剧烈和频繁（Gale et al.，2012）。鉴于猪肉消费在我国居民肉类消费中占有绝对重要的地位，生猪产业日益成为我国农业经济发展的支柱产业， 生猪和猪肉价格的剧烈波动对城乡居民生活的冲击和生猪产业发展的影响越来越显著。 生猪产业链价格传递机制是生猪市场运行效率的基石（Griffith and Piggott ，1994），其中，生猪产 业链价格传递是否存在非对称性是测度我国生猪市场运行状况的重要指标。价格是产品供给与需求相互作用并通过产业链的纵向与横向传递形成的（杨朝英等，2011）。在某一农产品产业链中，价格 从生产者传至批发商，再传至零售商。当某一冲击作用于该传递过程使得某环节价格上升或下降，价格在沿产业链传递的同时发生相应的调整。在猪肉价格高涨时，消费者付出更多的货币，但生产者未必获得更多的利润，似乎零售价格上涨幅度远高于生猪收购价格上涨幅度，即出现了所谓的“农产品价格放大效应”；当发生疫情或食品安全事件时，易导致猪肉需求严重下降，进而导致生猪收购价格的急剧下降，从而使得生猪养殖者福利受损。可见，生猪产业链价格传递过程中有可能存在不对称性，这也是本文选择研究生猪产业链价格传递非对称性的动机和出发点。 Tweeten and Quance （1969）在农产品供给弹性的研究中首次提出了价格传递的非对称性问题，农产品产业链价格传递非对称性是指当不同冲击（如农业支持政策和转移成本变动等）作用于产业链 的价格传递时，产业链价格间调整速度的非一致性（Von Cramon-Taubadel ，1998）。在生猪产业链中，生猪养殖者常常面对买方市场，而猪肉消费者又不得不面对零售商的卖方寡占市场（郭利京， 2008）。除市场力量外，调整成本、政策干预、信息非对称等因素，也是造成生产者价格和零售商价格以不同的 — 58—农业技术经济2014年第2期 DOI:10.13246/https://www.360docs.net/doc/bb15753535.html,ki.jae.2014.02.009
误差修正模型.
第二节误差修正模型（Error Correction Model，ECM） 一、误差修正模型的构造 对于yt的(1，1阶自回归分布滞后模型： 在模型两端同时减yt-1，在模型右端，得： 其中，，，。 记（5-5） 则（5-6） 称模型（5-6）为“误差修正模型”，简称ECM。 二、误差修正模型的含义 如果yt ~ I(1，xt ~ I(1，则模型（5-6）左端 ，右端，所以只有当yt和xt协整、即yt 和xt之间存在长期均衡关系时，式（5-5）中的 ecm~I(0，模型（5-6）两端的平稳性才会相同。 当yt和xt协整时，设协整回归方程为：
它反映了yt与xt的长期均衡关系，所以称式（5-5）中的ecmt-1是前一期的“非均衡误差”，称误差修正模型（5-6）中的是误差修正项，是修正系数，由于通常 ，这样；当ecmt-1 >0时（即出现正误差），误差 修正项< 0，而ecmt-1 < 0时（即出现负误差）， > 0，两者的方向恰好相反，所以，误差修正是一个反向 调整过程（负反馈机制）。 误差修正模型有以下几个明确的含义： 1．均衡的偏差调整机制 2．协整与长期均衡的关系 3．经济变量的长期与短期变化模型 长期趋势模型： 短期波动模型： 三、误差修正模型的估计 建立ECM的具体步骤为： 1．检验被解释变量y与解释变量x（可以是多个变量）之间的协整性； 2．如果y与x存在协整关系，估计协整回归方程，计算残差序列e t：
3．将e t-1作为一个解释变量，估计误差修正模型： 说明： （1）第1步协整检验中，如果残差是确定趋势过程，可以在第2步的协整回归方程中加入趋势变量； （2）第2步可以估计动态自回归分布滞后模型： 此时，长期参数为： 协整回归方程和残差也相应取成： ， （3）第2步估计出ECM之后，可以检验模型的残差是否存在长期趋势和自相关性。如果存在长期趋势，则在ECM中加入趋势变量。如果存在自相关性，则在ECM的右端加入的滞后项来消除自相关性，误差修正项的滞后期一般也要作相应调整。如取成以下形式： 由于模型中的各项都是平稳变量，所以可以用t检验判断各项的显著性，逐个剔除其中不显著的变量，当然误差修正项要尽可能保留。
误差修正模型ECM
Error Correction Model 用EVIEWS怎么做 一、利用EG两步法做协整检验。在两个变量情况下（设为Y、X），包括两序列单整检验、两变量最小二乘法回归并得到残差序列并命名为e、对e作单位根检验。 二、在证明Y、X两序列间存在协整后，才可以建立ECM。其中，误差修正项ecm的值就是之前的回归模型的残差序列e。 三、直接输入以下命令： ls y c y(-1) x x(-1) 得到的估计结果在实际预测时比较方便，不过需要计算得到ecm项的系数。 四、也可以直接输入以下命令： ls y c x e(-1) 其中，e(-1)项的系数就是ecm项的系数。这个模型的优点是直观，但是不便于预测。 五、两种估计是等价的。 六、建议参考阅读易丹辉：《数据分析与EViews应用》，中国统计出版社2002年版。（也许有新版也不一定） 对于误差修正模型，需要先建立一个模型，然后进行回归分析，分析它的短期均衡关系。 操作：举个例子说，比如试图建立y对y(-1)和x的误差修正模型。 STEP1 建立长期关系 ls y c y(-1) x STEP2 对残差进行单位根检验来检验协整关系 ecm=resid uroot(10,h) ecm STEP3 建立误差修正模型 ls d(y) c d(y(-1)) d(x) ecm(-1)
教程：
案例1 上面的分析可以证明序列lconsume、lincome及lconsme(-1)之间存在协整关系，故可以建立ecm（误差修正模型）。先分别对序列lconsume、lincome及lconsme(-1)进行一阶差分,然后对误差修正模型进行估计。在主窗口命令行中输入： ls d(lconsume) c d(lincome) d(lconsume(-1)) ecm(-1) 此时的常数项系数不明显，我们去掉常数项后再进行回归，结果如下图8.6所示 图8.6 从上式可以看出上式中的T检验值均显著，误差修正项的系数为-0.252,这说明长期均衡对短期波动的影响不大。 下面我们短期会给出另一种估计方式。我们可以直接进行估计，命令为：
沪铝期货与现货价格关系的实证研究
金属材料商品学导论课程论文（报告、案例分析） 院系经济学院 专业金融学（证券与期货方向） 班级 学生姓名 学号 任课教师 2015 年 12 月 27 日
沪铝期货与现货价格关系的实证研究 摘要：文章结合市场简要描述了我国铝金属的历史发展及现状，总结了干扰铝现货价格以及期货价格波动的外部因素。以沪铝期货为样本，运用Eview8.0软件构建VAR模型、ECM模型并进行ADF检验、协整检验以及Granger因果关系检验等计量经济学模型与检验方法，研究了我国期货市场与现货市场中铝的价格关系，研究表明，铝的期现价格之间存在着一定的平衡关系并两两间起着相互引导作用。 关键词：金属铝；VAR模型；协整检验；ECM模型；Granger因果检验 一、引言 我国的铝矿资源十分丰富，我国铝工业的初步发展是在1954年成立了抚顺铝厂之后，随着社会的快速发展，在建材行业、电子配件、冶炼工程以及航空航天和机械制造等领域都需要大量的金属铝。近年来，铝期货的市场交易越发活跃起来，而铝的期货价格与现货价格就成为广大投资者的关注对象，研究铝的期货与现货价格之间存在的定性定量关系，有利于做出正确的投资决策，也可以充分发挥铝期货市场的价格发现功能，进一步促进我国铝期货市场的快速发展以及铝工业产业的进步。 二、我国金属铝的历史发展研究 我国最早是于1991年开始，在深圳有色金属联合交易所上市交易铝期货，从1992年到1996年，我国金属铝期货交易十分活跃，大大地促进了有色金属期货市场的发展，同时政府也颁布了各项期货市场的改革措施，为期铝品种的发展提供了便捷条件。然而1999年通过合并手段成立了我国第一家交易金属铝期货的上海期货交易所之后，其市场交易氛围却逐渐大不如前，铝期货交易量也逐步下跌。近几年，我国在产业结构调整的策略下，铝工业的发展有了明显地提高，社会生活中铝的需求量也逐渐增加，而我国期货市场在国家政策的扶持之下也渐
EVIEWS软件的使用说明--向量自回归和误差修正模型
EVIEWS软件的使用说明--向量自回归和误差修正模型 第二十章向量自回归和误差修正模型 联立方程组的结构性方法是用经济理论来建立变量之间关系的模型。但是，经济理论通常并不足以对变量之间的动态联系提供一个严密的说明。并且，内生变量既可以出现在等式的左端又可以出现在等式的右端使得估计和推断更加复杂。为解决这些问题产生了一种用非结构性方法来建立各个变量之间关系的模型。就是这一章讲述的向量自回归模型（Vector Auto regression, VAR）以及向量误差修正模型（Vector Error Correction, VEC）的估计与分析。同时给出一些检验几个非稳定变量之间协整关系的工具。 §20.1 向量自回归理论 向量自回归（VAR）常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响。VAR方法通过把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而回避了结构化模型的需要。一个VAR(p) 模型的数学形式是： (20.1) 这里是一个维的内生变量，是一个维的外生变量。和是要被估计的系数矩阵。是扰动向量，它们相互之间可以同期相关，但不与自己的滞后值相关及不与等式右边的变量相关。 作为VAR的一个例子，假设工业产量（IP）和货币供应量（M1）联合地由一个双变量的VAR模型决定，并且让常数为唯一的外生变量。
内生变量滞后二阶的VAR(2)模型是： (20.2) 其中，是要被估计的参数。也可表示成： §20.2 估计VAR模型及估计输出 选择Quick/Estimate VAR…或者在命令窗口中键入var，并在出现对话框内添入适当的信息： 1．选择说明类型：Unrestricted VAR（无约束向量自回归）或者Vector Error Correction（向量误差修正） 2．设置样本区间。 3．在适当编辑框中输入滞后信息。这一信息应被成对输入：每一对数字描述一个滞后区间。 4．在相应的编辑栏中输入适当的内生及外生变量。 §20.3 VAR视图和过程 在VAR窗口的View/Lag Structure和View/Residual Tests菜单下将提供一系列的诊断视图。 （一）Lag Structure(滞后结构) 1．AR Roots Table/Graph(AR 根的图表) 2．Pairwise Granger Causality Tests(Granger 因果检验) Granger 因果检验主要是用来检验一个内生变量是否可以作为外生变量对待。
实验报告二——误差修正模型的建立与分析
实验报告（二）——误差修正模型(ECM)的建立与分析 一、单位根检验： 1、绘制cons与GDP的时间序列图： 从时间序列图中可以看出，cons与GDP随时间增加都呈上升趋势，表现出非平稳性。 2、对cons进行单位根检验： 先选择对原序列（level）进行单位根检验，根据cons与GDP的时间序列图的走势，选择trend and intercept的检验方法，在maximum lags中填写ADF 检验方法的滞后期为0，从上表中可以看出，P值为0.9888，大于0.05的显著性水平，说明原序列是非平稳的。
选择cons的一阶差分（1st）和trend and intercept,从上表中可以看出，经过一阶差分后，P值（=0.5099）仍然没有通过0.05的置信水平检验，说明是不平稳的，需要继续改进。 再试用ADF检验，在滞后期（maximum lags）中填入8，选择一阶差分和trend and intercept，得出上表，可以看出P值=0.0801，大于0.05，没有通过0.05的置信水平检验，说明是不平稳的，需要继续改进。
再试用ADF检验，在滞后期（maximum lags）中填入6，选择二阶差分和trend and intercept，得出上表，可以看出P值=0.0137，小于0.05，通过0.05的置信水平检验，说明是平稳的。 3、对GDP进行单位根检验：
先选择对原序列（level）进行单位根检验，根据cons与GDP的时间序列图的走势，选择trend and intercept的检验方法，在maximum lags中填写ADF 检验方法的滞后期为0，从上表中可以看出，P值为1.0000，大于0.05的显著性水平，说明原序列是非平稳的。 选择GDP的一阶差分（1st）和trend and intercept,从上表中可以看出，经过一阶差分后，P值（=0.5574）仍然没有通过0.05的置信水平检验，说明是不平稳的，需要继续改进。